随着大语言模型驱动的智能体快速发展，模型上下文协议（MCP）作为一种连接LLM与外部工具的开源协议，已成为现代智能体生态系统的基础。然而，MCP的广泛应用也带来了新的安全威胁，例如工具投毒攻击（TPA），即利用LLM与服务器之间的交互注入恶意提示。现有的投毒方案通常采用单一工具明文嵌入范式，难以抵御人工审计或自动化检测。当前研究缺乏对多工具投毒的系统分析，即多个工具可被协同利用以分散检测风险。本文提出ShareLock——一种多工具阈值投毒框架，利用Shamir阈值方案实现卓越的隐蔽性和容错性。ShareLock将恶意指令作为看似良性的秘密份额，分布到多个工具描述中，同时实现信息论安全性和抵抗中等审计的攻击鲁棒性。通过在服务器更新期间植入隐蔽重建触发器，聚合的份额可重构隐藏指令，导致系统资产或私有数据的关键泄露。为了评估ShareLock的现实威胁，作者构建了涵盖四种多工具场景的综合基准，并在两个不同的MCP客户端上对主流LLM进行了广泛实验。结果表明，ShareLock在基于工具描述检测方面显著优于现有单工具投毒策略，同时保持了超过90%的平均攻击成功率。

随着模型上下文协议（MCP）在AI代理中的广泛采用，如何确保工具调用通过有意义的用户同意来保障安全成为关键挑战。现有方法要么采用粗粒度的“始终允许”开关，要么依赖不透明的LLM决策，既无法检测危险的调用参数，又容易导致用户同意疲劳。本文提出Conleash——一种客户端中间件，通过风险格（risk lattice）在已知边界内自动允许安全调用并升级风险，结合用户定义不变量的策略引擎，以及将用户决策转化为可复用规则的细化循环，实现边界范围授权的强制执行。在984条真实轨迹上的评估显示，Conleash达到98.2%的准确率，捕获了99.4%的风险升级调用，策略验证仅增加8.2毫秒开销。此外，在N=16的用户研究中，参与者显著偏好Conleash的细粒度权限而非传统方法，认为其更值得信任且减少了提示负担。核心贡献：首次将风险格理论应用于MCP授权，平衡自动化与用户控制；提出了策略引擎与细化循环的协同机制；通过真实数据和用户实验验证了有效性和可用性。